[发明专利]肾细胞癌类型的计算机辅助诊断系统及设备

说明书

本发明公开了一种肾细胞癌类型的计算机辅助诊断系统及设备，系统包括：数据采集模块，收集肾脏组织全切片图像，构建训练集；数据处理模块，对肾脏组织全切片图像进行预处理；特征学习模块，包括特征学习器并采用训练集进行训练；图像特征库，采用特征学习器提取训练样本的特征向量，构建图像特征库；分类模块，将待分类肾脏组织全切片图像通过数据处理模块进行预处理，预处理后通过特征学习器中提取特征向量，根据待分类肾脏组织全切片图像的特征向量与图像特征库中所有特征向量判断待分类肾脏组织全切片图像的类型。本发明解决了由于罕见类数据不足和特征差异大而无法训练出准确性高的分类模型的问题。

技术领域

本发明涉及计算机辅助医疗技术领域，尤其涉及一种肾细胞癌类型的计算机辅助诊断系统及设备。

背景技术

肾细胞癌在肾脏的恶性肿瘤中是最为常见的一种。肾细胞癌的常见类型（约占肾细胞癌的90%）有三种：肾透明细胞癌、肾乳头状细胞癌、肾嫌色细胞癌。目前在临床的常规诊断方法是：经验丰富的病理科医生在显微镜下观察处理好的肾脏组织切片图像，寻找癌细胞区域所在位置，根据癌细胞的结构等医学特征分析是哪一种类型。对于常见的三种类型，医生能较为容易地诊断。

但是，罕见类肾细胞癌（也包括多种细分类型）的病例极少，且有些罕见类在结构上和常见类比较相似，因此病理医生临床判断起来比较困难，且容易误判（特别对于经验不足的医生）。

罕见类肾癌的判定，需要医生让患者填报问卷，包括年龄、是否有遗传史、吸烟史或其他疾病史等信息。特别对于遗传性的罕见类肾癌，还需要结合昂贵的基因测序结果来判断。

目前已经有很多基于视觉的方法来做肾癌的分类。他们通过提出各种处理方法和分类模型，来检测肾细胞癌（识别有癌和无癌两种）或做亚型分类（上述常见三种亚型的分类，无罕见类），并且达到了不错的效果。例如，公开号为CN113222933A的中国专利文献公开了一种应用于肾细胞癌的全链条诊断的图像识别系统，包括图像切分模块，图像切分模块将经过癌症区域、癌症亚型以及癌症等级的标注后，对包含癌症基因组图谱TCGA和当地医院所提供的LH数据集的原病理图像进行切分，然后输入图像癌症区域检测模块对图像进行训练及预测，图像癌症区域检测模块处理后的图像由准确性提升模块进行准确度提升后，得到更为准确的癌症区域预测热力图，将预测为癌症的区域进行标记送至癌症区域分型模块进一步分型，得到癌症的细分亚型，分型后由报告输出模块输出图像识别结果报告。

但是，现有方案中，无论是特征库的方法还是用分类模型方法，都需要每种亚型的若干病例图像数据来建立特征库或训练模型，然而罕见类肾癌的数据是极少、不易获取的，而且罕见类肾癌之间存在较大的类内差异，所以使用目前的方案无法准确地识别罕见类肾细胞癌。目前还没有一个包括罕见类的肾癌全类型（无癌、常见三类、罕见类）诊断的计算机辅助方法、系统，来辅助医生快速诊断。

发明内容

本发明提供了一种肾细胞癌类型的计算机辅助诊断系统及设备，解决了现有计算机辅助诊断系统预测分类准确度不高、分类类型不全的问题。

本发明的技术方案如下：

一种肾细胞癌类型的计算机辅助诊断系统，包括：

数据采集模块，收集标注好的肾脏组织全切片图像，构建训练集；肾脏组织全切片图像的类型包括正常型、肾透明细胞癌型、肾乳头状细胞癌型、肾嫌色细胞癌型；

数据处理模块，对肾脏组织全切片图像进行预处理；

特征学习模块，包括基于深度学习网络构建的肾组织全切片图像的特征学习器，采用所述的训练集对特征学习器进行训练；

图像特征库，将训练集的样本输入到训练好的特征学习器中，提取样本的特征向量；收集所有预测正确且概率大于设定值的样本对应的特征向量及所述类型，构建图像特征库；计算图像特征库中的特征向量之间的类内余弦相似度，并将类内余弦相似度的最小值设为诊断阈值；